Análise do Desempenho Computacional de Modelos Numéricos de
Previsão do Tempo e de Ondas na Arquitetura EC2 Amazon Cloud
Marcos Vinícius Bueno de Morais; Alex Sandro Aguiar Pessoa; Sandra Isay Saad;
Luiz Felipe Xavier; Camila Gomes Martins Ramos; Bianca Lobo; Gilca Palma
Grupo de Modelagem, Pesquisa e Desenvolvimento, CLIMATEMPO
04011-061, São Pau lo, SP
E-mail: [email protected] m.br, [email protected] m.br, [email protected],
[email protected] m.b r, b [email protected] m.br, [email protected],
[email protected]
RESUMO
Com os constantes avanços dos modelos numéricos de previsão de tempo e ondas, na
execução de grades cada vez mais refinadas, sempre houve a necessidade de utilização e rápida
atualização dos equipamentos e servidores que executam estes modelos, de tal forma a agilizar a
previsão e efetuar cálculos com maior precisão e acurácia. A computação em nuvens, com a
habilidade de virtualização de CPU's e a facilidade de manuseio nos servidores, permite que os
modelos mais atuais sejam executados de forma cada vez mais rápida e precisa. Por isso,
diversas empresas e comunidades científicas têm substituído os tradicionais servidores físicos
pelo uso de computação nas nuvens, para o desenvolvimento de projetos e até no uso de
computação de alto desempenho operacional.
Este trabalho visou avaliar o desempenho dos modelos numéricos WRF (Weather Research
and Forecast, [3]), na sua versão 3.5, e WW3 (WaveWatch – 3rd Generation, [5]), na versão
3.14, que são rodados operacionalmente na Climatempo, em instâncias de grande uso de
processamento da Amazon Web Services (AWS). Estes modelos têm apresentado bons
resultados quantitativos na previsão de tempo e onda [4]. A unidade selecionada é otimizada
para computação de alto desempenho, com codinome cc2.8xlarge, que tem proporcionalmente
mais recursos de CPU do que memória (RAM) e são adequadas para aplicativos com
processamento intensivo. Esta instância conta com 60,5 Gb de memória RAM, 88 unidades de
processamento EC2, 3370 GB de armazenamento de instâncias locais, plataforma de 64 bits e
conexão Ethernet de 10 Gigabits. Os processadores são Intel ® Xeon ® CPU E5-2670 0 @2.60
Ghz, totalizando 32 núcleos (16 físicos e 16 virtuais).
O modelo numérico de previsão do tempo foi configurado para um passo de tempo de 30 s,
com 4 grades no total, sendo a grade-mãe, abrangendo a costa brasileira, com 39 km de
espaçamento horizontal, e as outras 3 grades separadas para as regiões nordeste, sudeste e sul da
costa, com 13 km. Já o modelo oceânico foi ajustado com 2 grades, sendo a primeira com 1.5º
de espaçamento horizontal e abrange o globo, e a segunda pega toda a costa do atlântica da
América do Sul. Ambas as rodadas foram feitas para 24 horas de previsão.
Para avaliação do desempenho de execução em paralelo foram escolhidos, juntamente com o
tempo, os índices SpeedUp e Eficiência [2], comumente utilizados para avaliação do
desempenho de modelos numéricos de previsão em clusters com vários núcleos [1].
Os resultados demonstraram que o WRF é otimizado utilizando todas as unidades de
processamento físico (16 cores). A partir disto, o modelo acaba diminuindo a eficiência não
melhorando o tempo ou o índice de SpeedUp. Já para o modelo de ondas, a condição ótima dada
com 12 núcleos, com um mínimo de eficiência para 28 núcleos. Na otimização, o tempo de
execução da rodada do WRF e do WW3 foi respectivamente de 3.3 min e 6.6 min.
Palavras-chave: Cloud Computing, Paralelismo, Computação de alto desempenho, Previsão
Numérica de Tempo, WRF, WW3, Amazon EC2, AW
Referências
[1] E. S. Almeida, Evaluation of HPC architectures for BRAMS numerical weather model em
“The 2011 World Congress in Computer Science, Computer Engineering and Applied
Computing” (M. Bauer e A. L. Fazenda), pp. 1-7, Las Vegas, Nevada, 2011.
[2] D. L. Eager, J. Zahorjan, E.D. Lazowska, Speedup versus efficiency in parallel systems,
Computers, IEEE Transactions on , vol. 38, n.3, pp. 408-423, (1989).
[3] J. Michalakes, J. Dudhia, D. Gill, J. Klemp, W. Skamarock, Design of a next-generation
regional weather research and forecast model, Towards Teracomputing, World Scientific,
River Edge, New Jersey, pp. 117-124, (1998).
[4] S. I. Saad, Avaliação dos Modelos de Previsão de Tempo utilizados na CLIMATEMPO
baseado no dia de antecedência da Previsão em “XVI Congresso Brasileiro de
Meteorologia” (R. Palmeira e G. Palma), pp. 1-6, Belém, Pará, 2010.
[5] H. L. Tolman, A Third-Generation model for wind waves on slowly varying, unsteady
inhomogeneous depths and currents, Journal of Physical Oceanography, vol. 21, pp. 782787, (1990).